〔摘　要〕 目的 构建基于卷积神经网络(CNN)-长短时记忆网络(LSTM)-注意力机制(Attention)的深度学习模型,探讨气象、临床因素与缺血性脑卒中发病的关联性。方法 纳入缺血性脑卒中住院患者的临床资料及同期的气象数据,构建基于CNN、LSTM和Attention的融合模型CNN-LSTM-Attention,通过最大预测偏差和均方根误差(RMSE)评估模型的预测性能。通过选择1～7 d的滞后天数,探讨不同滞后天数对预测性能的影响。结果 在短期和长期预测中,CNN-LSTM-Attention融合模型(短期:1.5和0.6;长期:8.3和2.5)的最大预测偏差和RMSE均优于LSTM模型(短期:2.8和1.2;长期:19.5和5.5)和CNNLSTM模型(短期:2.0和0.8;长期:11.2和3.3)。纳入滞后天数后,在短期和长期预测中,滞后3 d(短期:0.7和0.4;长期:5.5和1.9)和5 d(短期:0.8和0.3;长期:6.5和2.0)的最大预测偏差和RMSE均小于滞后0 d(短期:1.5和0.6;长期:8.3和2.5)。滞后1 d(短期:1.5和0.8;长期:6.8和2.4)和7 d(短期:1.9和0.9;长期:7.5和2.7)的最大预测偏差和RMSE均大于滞后0 d。结论 建立的CNN-LSTM-Attention融合模型对缺血性脑卒中发病具有较好的预测性,可为医疗资源合理配置提供参考。